xps

AI平台作為新經濟範式的興起

當代數位化環境正在被生成式人工智慧（AI）的迅速普及所根本性重塑。這一技術變革催化了新一類數位平台的興起，典型代表包括OpenAI的ChatGPT、Anthropic的Claude、Google的Gemini，以及圍繞Llama和Mistral等模型蓬勃發展的開源生態系統（Bommasani et al., 2021; Chen et al., 2023）。

這些實體遠不止是簡單的工具或應用程式；它們代表了一種新的經濟範式，作為複雜的社會技術系統，將核心生成模型與輔助服務、資料存取政策和營利策略捆綁在一起。

每個平台在其獨特的配置中，都體現了一個獨特且往往是高風險的策略押注，即在新興的AI驅動經濟中創造、交付和獲取價值的最有效架構。這些平台的快速演進——從OpenAI最初的僅API方式到ChatGPT的消費者介面，從Google的整合搜尋體驗到Meta的開源策略——展示了當前商業模式探索的實驗性質（Eloundou et al., 2023; Korinek, 2023）。

平台架構師和投資者

面臨關於建構哪些功能、如何定價以及保留使用者生成資料的哪些權利等關鍵決策，而對這些投資的潛在回報缺乏實證指導。

政策制定者和監管者

在促進競爭市場、推動創新和保護使用者權利方面面臨困難，而缺乏這些平台如何在經濟上運作的清晰模型。

這一困境的核心是對治理這一新市場的經濟力量缺乏第一性原理的、基於證據的理解。當前的策略決策主要基於直覺、競爭模仿或有限的觀察資料，而非嚴格的因果分析（Goldfarb et al., 2023; Brynjolfsson et al., 2023）。

平台策略中的因果識別問題

主要障礙： 阻止解決策略困境的根本方法論挑戰是因果識別。

現實世界的AI平台是相互依賴的功能和政策的複雜捆綁。這產生了一個困擾平台經濟學研究數十年的經典計量經濟學問題：

捆綁問題

考慮研究人員試圖理解平台效能時面臨的實證挑戰：

提供複雜整合工具（如程式碼解釋器、網路瀏覽器、文件分析）的平台也可能是具有高級訂閱定價的專有閉源系統
具有廣泛客製化功能的平台通常也實現持久記憶和學習能力
開源模型通常與社群驅動的開發捆綁，但可能缺乏專業支援服務

這種固有的捆綁使得僅使用觀察資料在實證上很難甚至不可能將任何單一策略選擇的個體因果效應與其相關對應物的效應分離開來（Parker et al., 2016; Rochet & Tirole, 2003）。

歸因挑戰

當分析師觀察到特定平台上的更高效能時，他們無法明確地將成功歸因於：

提供的特定工具和功能
底層模型的專有性質和品質
高級定價創造的品質期望和使用者選擇效應
這些因素之間未觀察到的相互作用
平台特定的網路效應或使用者社群特徵

這是長期挑戰產業組織和平台經濟學實證研究的經典計量經濟學問題——內生性和嚴重多重共線性的表現（Armstrong, 2006; Rysman, 2009; Cabral, 2019）。

AI平台研究的現狀

因此，現有的AI平台策略分析大多仍然是：

描述性的： 編目功能和商業模式而不建立因果關係
軼事性的： 依賴案例研究和成功故事而沒有系統比較
相關性的： 識別平台特徵和結果之間的關聯而不建立因果關係

雖然對理解當前格局有價值，但這一研究體系在我們預測策略變化效果或指導基於證據的決策制定能力方面留下了關鍵空白（Agrawal et al., 2019; Goldfarb et al., 2023）。

方法論創新：模擬優先的因果推論

核心洞察： 要理解平台功能解綁的效果，必須首先實驗性地解綁平台本身。

使用真實世界資料的傳統實證方法根本不適合這種因果識別任務。解決方案需要一種能夠：

創造正交變異在自然相關的策略選擇中
控制未觀察的異質性這會混淆觀察研究
擴展以分析複雜相互作用在多個策略維度之間
生成現實的行為反應對不同平台配置

為什麼模擬是必要的

全因子實驗——因果分析的黃金標準——需要創建數十個不同的平台變體並在標準化任務中與真實使用者測試。這種方法面臨不可克服的實際障礙：

後勤複雜性： 創建64+個功能性平台變體
成本約束： 為複雜任務補償數千名參與者
時間限制： 進行多會話實驗以觀察動態效應
倫理考慮： 可能使使用者暴露於故意次優的平台
競爭敏感性： 公司不願參與比較研究

模擬作為解決方案

基於生成代理的建模能夠創建一個「虛擬實驗室」，其中平台可以在受控條件下系統地變化和測試。

研究問題和目標

為了解決策略困境並克服因果識別問題，本研究追求三個相互關聯的問題：

研究問題1：因果架構

核心架構選擇——涵蓋市場結構、服務捆綁、套件範圍、營利模式、知識分發和資料提取——對AI平台效能和經濟價值的獨立和交互因果效應是什麼？

這個問題透過提供特定平台設計決策的投資報酬定量估計，直接解決了策略困境。

研究問題2：潛在功能

如何在生成式AI的特定背景下，將數位平台的基礎經濟功能——Brousseau & Penard (2007)定義的配對、組合和知識管理——操作化並測量為潛在構念？

這個問題透過將AI平台分析與既定的平台經濟學理論聯繫起來，建立了理論基礎。

研究問題3：結構關係

將可觀察的策略設計選擇與潛在平台功能聯繫起來，並最終與使用者感知價值（透過客觀任務品質和主觀支付意願測量）聯繫起來的潛在因果結構是什麼？

這個問題能夠開發預測模型，可以指導超越所測試的特定配置的平台策略。

貢獻和結構

本研究對平台經濟學和AI策略做出了三個基本貢獻：

方法論創新

引入模擬優先方法用於平台經濟學，為在傳統實驗方法不可行的複雜數位生態系統中進行因果推論提供可複製的方法論。

理論驗證

首次在AI領域對Brousseau & Penard (2007)框架進行全面實證測試，確立其對理解現代平台動態的持續相關性和預測力。

策略證據基礎

生成AI平台設計中量化的權衡和互補性，將策略決策制定從基於直覺的藝術轉變為基於證據的科學。

本文的其餘部分如下進行：我們首先透過為AI平台操作化Brousseau & Penard框架來建立理論基礎。然後我們詳述我們的方法論方法，結合基於生成代理的模擬與結構方程建模。我們的實證分析呈現了跨64個平台配置的系統實驗結果。最後，我們討論我們發現的策略、投資和政策含義，並以未來研究方向作結。

參考文獻

Agrawal, A., Gans, J., & Goldfarb, A. (2019). The economics of artificial intelligence: An agenda. University of Chicago Press.

Armstrong, M. (2006). Competition in two-sided markets. RAND Journal of Economics, 37(3), 668-691.

Bommasani, R., Hudson, D. A., Adeli, E., et al. (2021). On the opportunities and risks of foundation models. arXiv preprint arXiv:2108.07258.

Brousseau, E., & Pénard, T. (2007). The economics of digital business models: A framework for analyzing the economics of platforms. Review of Network Economics, 6(2), 81-110.

Brynjolfsson, E., Li, D., & Raymond, L. R. (2023). Generative AI at work. Science, 381(6654), eadh2586.

Cabral, L. (2019). Standing on the shoulders of dwarfs: Dominant firms and innovation incentives. RAND Journal of Economics, 50(1), 70-88.

Chen, M., Tworek, J., Jun, H., et al. (2023). Evaluating large language models trained on code. arXiv preprint arXiv:2107.03374.

Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2023). GPTs are GPTs: An early look at the labor market impact potential of large language models. arXiv preprint arXiv:2303.10130.

Goldfarb, A., Taska, B., & Teodoridis, F. (2023). Could machine learning be a general purpose technology? A comparison of emerging technologies using data from online job postings. Research Policy, 52(1), 79-95.

Korinek, A. (2023). Generative AI for economic research: Use cases and implications for economists. Journal of Economic Literature, 61(4), 1281-1317.

Parker, G. G., Van Alstyne, M. W., & Choudary, S. P. (2016). Platform revolution: How networked markets are transforming the economy and how to make them work for you. WW Norton & Company.

Rochet, J. C., & Tirole, J. (2003). Platform competition in two‐sided markets. Journal of the European Economic Association, 1(4), 990-1029.

Rysman, M. (2009). The economics of two-sided markets. Journal of Economic Perspectives, 23(3), 125-143.

導論：AI平台的策略困境